一种基于肌肉超声影像分析的颈腰背疼痛风险预测方法

摘要: 本申请涉及医学超声影像人工智能辅助诊断,涉及但不限定于一种基于肌肉超声影像分析的颈腰背疼痛风险预测方法。背景技术:1、肌筋膜疼痛综合征(myofascialpa...
一种基于肌肉超声影像分析的颈腰背疼痛风险预测方法

本申请涉及医学超声影像人工智能辅助诊断,涉及但不限定于一种基于肌肉超声影像分析的颈腰背疼痛风险预测方法。

背景技术:

1、肌筋膜疼痛综合征(myofascial pain syndrome, mps)是以骨骼肌内存在肌筋膜触发点(myofascial trigger points, mtrps)为核心病理特征的慢性软组织疼痛疾病,病变高发于颈肩部、腰背部、肩胛及四肢关节周围。典型临床表现为局部紧张痉挛肌纤维带、按压诱发局限性疼痛与牵涉痛,临床上通常将mtrps分为自发性疼痛的活动性触发点(a-mtrps)和仅按压疼痛的潜伏性触发点(l-mtrps)。

2、现有技术中,肌骨超声无电离辐射、支持床旁实时动态扫查,结合剪切波弹性成像(shear wave elastography, swe)可定量评估筋膜肌肉组织硬度,是目前mtrps无创客观评估的首选影像学手段。然而,现有相关技术存在显著缺陷:一方面,现有研究整合剪切波速度、肛直角形态、盆底裂孔面积、体重增长等因素构建产后盆底肌筋膜疼痛预测模型,该模型仅适配产后盆底单一部位肌筋膜疼痛的诊断,无法通用全身躯干、四肢肌筋膜病灶;另一方面,纯超声纹理特征识别精度低下,现有方案仅提取b超灰度图像的局部二值模式(lbp)、gabor滤波等纹理特征区分a-mtrps与l-mtrps,未结合人体基础指标、弹性定量、临床触诊信息,其预测准确率仅为53.33%,且无法完成疼痛严重程度分级。另外,临床通用的疼痛评分量表(如数字疼痛评分nrs、视觉模拟评分vas)完全依靠患者主观感受,但个体耐受差异大、昼夜疼痛波动显著,仅依靠量表无法实现疼痛严重程度的客观量化分级。轻症患者易被漏诊,重症患者的疼痛程度易被低估,导致临床诊疗决策缺乏客观、可靠的分层依据。

3、因此,亟需一种更为全面的颈腰背疼痛风险预测方法,以解决现有技术存在的相关问题,从而实现全身肌筋膜疼痛风险的精准预测和客观量化分级,并提升临床泛化能力。

技术实现思路

1、本申请实施例提供一种基于肌肉超声影像分析的颈腰背疼痛风险预测方法。

2、本申请实施例的技术方案是这样实现的:

3、第一方面,本申请实施例提供一种基于肌肉超声影像分析的颈腰背疼痛风险预测方法,所述方法包括:采集受试者的多维度数据,基于超声影像和弹性成像数据提取形态学参数和弹性力学参数,将数字疼痛评分转换为疼痛风险标签;将同一受试者的多维度数据与疼痛风险标签关联,构建原始数据集;对原始数据集进行特征筛选和分类型特征编码,并依据疼痛风险标签划分训练集和验证集;通过合成少数类过采样算法仅对训练集进行类别均衡处理,基于均衡训练集计算特征标准化参数,并采用同一标准化参数分别对均衡训练集和验证集进行标准化处理;构建全连接深度神经网络,基于标准化后的均衡训练集和验证集训练全连接深度神经网络,得到最优模型;在建模时间窗口后入组独立的前瞻性患者队列,采用与训练环节相同的标准化参数对独立队列数据进行处理;由独立于模型开发过程的第三方以盲法方式加载最优模型对标准化独立队列数据进行预测,输出预测结果。

4、第二方面,本申请实施例提供一种基于肌肉超声影像分析的颈腰背疼痛风险预测系统,包括:

5、数据获取模块,用于采集受试者的多维度数据,基于超声影像和弹性成像数据提取形态学参数和弹性力学参数,将数字疼痛评分转换为疼痛风险标签;将同一受试者的多维度数据与疼痛风险标签关联,构建原始数据集;

6、数据预处理模块,用于对原始数据集进行特征筛选和分类型特征编码,并依据疼痛风险标签划分训练集和验证集;

7、模型训练模块,用于通过合成少数类过采样算法仅对训练集进行类别均衡处理,基于均衡训练集计算特征标准化参数,并采用同一标准化参数分别对均衡训练集和验证集进行标准化处理;构建全连接深度神经网络,基于标准化后的均衡训练集和验证集训练全连接深度神经网络,得到最优模型;

8、预测模块,用于在建模时间窗口后入组独立的前瞻性患者队列,采用与训练环节相同的标准化参数对独立队列数据进行处理;由独立于模型开发过程的第三方以盲法方式加载最优模型对标准化独立队列数据进行预测,输出预测结果。

9、第三方面,本申请实施例提供一种电子设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述一种基于肌肉超声影像分析的颈腰背疼痛风险预测方法中的步骤。

10、第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述一种基于肌肉超声影像分析的颈腰背疼痛风险预测方法中的步骤。

11、本申请实施例提供的技术方案带来的有益效果至少包括:

12、本申请提供的一种基于肌肉超声影像分析的颈腰背疼痛风险预测方法,通过采集受试者的多维度数据,从超声影像和弹性成像数据中提取形态学参数和弹性力学参数,并将数字疼痛评分转换为四级疼痛风险标签,构建了覆盖人体计量学、超声形态学、弹性力学和临床触诊四类异质维度的结构化原始数据集,消融实验证明任意一类特征被剔除后模型精度均显著下降,shap特征重要性分析显示对照区弹性模量为模型首要预测特征,身高、病灶深度、bmi和年龄紧随其后,证明了四类异质特征融合产生了协同效应。通过对原始数据集依次执行异常值剔除、缺失值填充、相关性分析和多重共线性诊断的特征筛选、分类型特征编码及分层划分,构建了面向临床不均衡疼痛样本的标准化预处理流程,其中箱线图法联合z-score阈值法进行异常检测、连续型特征缺失值采用中位数填充、分类型特征缺失值采用众数填充、vif大于10的冗余特征逐步剔除、按7∶3分层划分确保各类别比例与原始分布一致,且验证集信息不参与任何预处理参数的确定,从源头避免了数据泄露,为模型训练提供了高质量无偏倚的数据基础。通过合成少数类过采样算法仅对训练集进行类别均衡处理使四级风险样本数量均衡,解决了高风险样本稀缺导致的模型识别偏倚问题,基于均衡训练集计算标准化参数并采用同一参数变换验证集,确保验证集统计参数不参与计算,基于全连接深度神经网络结合双重正则、早停和网格搜索使最优模型在验证集准确率为88.1%,内部测试集准确率为89.6%,多分类auc为0.943,对比纯超声纹理识别模型准确率53.33%,本方案提升了36.27个百分点,且对四级风险均保持稳定识别精度,不会出现高风险重症漏判。

13、通过在建模时间窗口后入组独立的前瞻性患者队列,采用训练阶段保存的标准化参数处理独立数据,由独立第三方以盲法方式加载最优模型预测,构建了时间隔离、参数锁定和操作盲态三重隔离的外部验证体系,247例独立前瞻性队列盲测结果整体准确率为87.2%,多分类auc为0.937,与内部验证高度一致,证明了模型具备良好的真实临床泛化能力。多数同类影像ai模型仅采用单数据集内部分割验证,本申请增设了建模周期外全新患者队列盲测,充分验证了模型在真实临床场景中的泛化能力。

1.一种基于肌肉超声影像分析的颈腰背疼痛风险预测方法,其特征在于,所述方法包括:

2.根据权利要求1所述的方法,其特征在于,所述多维度数据包括人体基础信息、疼痛发病部位、肌骨超声影像及剪切波弹性成像数据、临床触诊信息和数字疼痛评分;所述人体基础信息包括年龄、性别、身高、体重及体重指数;所述疼痛发病部位包括颈肩区、肩胛区、胸背区、上腰区、腹外侧肌群区、下腰区、四肢肌群区中的任一或多个区域;所述临床触诊信息包括受累肌筋膜的筋膜分型;所述形态学参数包括肌筋膜触发点低回声区的长径、短径、病灶深度和目标骨骼肌厚度;所述弹性力学参数包括病灶区弹性模量和病灶边缘3mm处对照区弹性模量。

3.根据权利要求1所述的方法,其特征在于,所述数字疼痛评分采用0~10分制,当数字疼痛评分为0分时疼痛风险标签为无风险,当数字疼痛评分为1~3分时疼痛风险标签为低风险,当数字疼痛评分为4~6分时疼痛风险标签为中风险,当数字疼痛评分为7~10分时疼痛风险标签为高风险。

4.根据权利要求1所述的方法,其特征在于,所述对原始数据集进行特征筛选和分类型特征编码,并依据疼痛风险标签划分训练集和验证集,包括:

5.根据权利要求4所述的方法,其特征在于,所述对原始数据集的连续型特征执行异常值剔除和缺失值填充,对分类型特征执行缺失值填充;对填充后的数据集进行特征筛选,保留核心输入特征,包括:

6.根据权利要求1所述的方法,其特征在于,所述合成少数类过采样算法为smote算法,仅对训练集中的高风险样本合成虚拟样本,使训练集中各级风险样本数量达到均衡。

7.根据权利要求1所述的方法,其特征在于,所述全连接深度神经网络包括输入层、隐藏层和输出层;其中,输入层神经元数量为12个,隐藏层包括3~5层全连接层,各隐藏层神经元数量在输入层之后逐层递减,全部隐藏层采用relu激活函数,输出层神经元数量为4个,采用softmax激活函数。

8.一种基于肌肉超声影像分析的颈腰背疼痛风险预测系统,其特征在于,所述系统包括:

9.一种肌骨超声辅助诊断设备,包括超声探头、存储器和处理器,所述超声探头用于采集受试者的肌骨超声影像数据和剪切波弹性成像数据,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法中的步骤。

10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述方法中的步骤。